論文の概要: Physics-Informed Graph Learning with Uncertainty Awareness for Open-Set Domain Generalization in Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2607.04188v1
- Date: Sun, 05 Jul 2026 09:22:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.848496
- Title: Physics-Informed Graph Learning with Uncertainty Awareness for Open-Set Domain Generalization in Fault Diagnosis
- Title（参考訳）: 異常診断における開集合領域一般化のための不確かさを考慮した物理インフォームグラフ学習
- Abstract要約: オープンセット領域一般化のための不確実性認識を備えた物理インフォームドグラフ学習フレームワークPGU-ODを提案する。
まず物理インフォームドスペクトルアテンションモジュールを設計し, 周波数シフトによる知覚の不確実性を抑制する。
さらに、サンプルグラフのエッジ重みを動的に調整する不確実性を考慮した適応型グラフ学習機構を構築する。
二重基準開集合推論戦略は、決定境界を最適化し、未知の故障を確実に拒否する。
- 参考スコア（独自算出の注目度）: 4.611799631242239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent industrial maintenance critically relies on reliable fault diagnosis of rotating machinery. However, it faces formidable challenges from unknown fault types and domain shifts induced by varying operating conditions, which is formally formulated as the open-set domain generalization (OSDG) problem. Existing methods are mainly data-driven, thereby overlooking the cascaded propagation of uncertainty across feature extraction, topological learning, and decision-making stages.To tackle this challenge, we propose PGU-OD, a novel Physics-Informed Graph Learning framework with Uncertainty Awareness for Open-set Domain generalization. First, it designs a physics-informed spectral attention module to extract condition-robust fault features, thereby suppressing perceptual uncertainty caused by frequency shifts. Further, it constructs an uncertainty aware adaptive graph learning mechanism to dynamically adjust the edge weights of the sample graph guided by class-scale Gaussian distribution parameters, which mitigates the structural propagation of uncertainty. Finally, a Gaussian-distribution-based adaptive boundary loss function and a dual-criteria open-set inference strategy are developed to optimize decision boundaries and reliably reject unknown faults. Extensive experimental evaluations on two public and widely used rotating machinery fault datasets demonstrate that the proposed PGU-OD outperforms state-of-the-art baselines in both known fault classification and unknown fault rejection under domain shifts.
- Abstract（参考訳）: インテリジェントな産業保守は、回転機械の信頼性の高い故障診断に依存している。
しかし、これは未知の断層タイプや様々な動作条件によって引き起こされるドメインシフトによる深刻な問題に直面しており、これはオープンセット領域一般化(OSDG)問題として正式に定式化されている。
既存の手法は主にデータ駆動であり,特徴抽出,トポロジカルラーニング,意思決定の各段階における不確実性のカスケード的伝播を見越して,オープンセット領域一般化のための不確実性認識を備えた新しい物理情報グラフ学習フレームワークであるPGU-ODを提案する。
まず物理インフォームドスペクトルアテンションモジュールを設計し, 周波数シフトによる知覚の不確実性を抑制する。
さらに、不確実性の構造的伝播を緩和するクラススケールガウス分布パラメータによって導かれるサンプルグラフのエッジ重みを動的に調整する不確実性対応グラフ学習機構を構築する。
最後に、ガウス分布に基づく適応境界損失関数と二重基準開集合推論戦略を開発し、決定境界を最適化し、未知の故障を確実に否定する。
2つの公用および広く使用されている機械故障データセットに対する広範囲な実験的評価は、提案されたPGU-ODが既知の断層分類とドメインシフトによる未知の断層拒絶の両方において最先端のベースラインを上回っていることを示している。
関連論文リスト
- Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation [22.691374446857463]
皮膚病変分類のためのUncertainty-Guided Dual-Domain Network (UGDD-Net)を提案する。
UGDD-Netは、不確実性をアクティブな誘導信号に変換する新しい"Glance-and-Gaze"メカニズムを導入した。
我々の不確実性マップは、熟練したサーバ間変動と一致し、人間と機械の協調診断に堅牢な解釈性を提供する。
論文 参考訳（メタデータ） (2026-05-10T15:20:58Z) - FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。
具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
論文 参考訳（メタデータ） (2026-05-10T09:03:54Z) - UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。
UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
論文 参考訳（メタデータ） (2026-05-04T09:18:57Z) - Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。
実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-10T14:54:17Z) - The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。
時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。
本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-21T06:08:22Z) - Graph Evidential Learning for Anomaly Detection [19.046244103954855]
本稿では,グラフ・エビデンシャル・ラーニング(GEL)を提案する。
GELはグラフの不確かさと再構成の不確かさの2つのタイプを定量化し、それらを異常スコアリング機構に組み込む。
GELは、ノイズや構造的摂動に対して高い堅牢性を保ちながら、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-31T15:06:42Z) - Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。
Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。
10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
論文 参考訳（メタデータ） (2025-04-19T09:57:35Z) - Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。
既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。
提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文 参考訳（メタデータ） (2025-03-19T05:25:52Z) - Learning a Factorized Orthogonal Latent Space using Encoder-only Architecture for Fault Detection; An Alarm management perspective [0.2455468619225742]
本稿では,プロセス変数の誤同定および決定論的成分を効果的に分離する,エンコーダに基づく残差設計を提案する。
提案モデルは2つの異なるエンコーダを用いて、潜在空間を2つの空間に分解する。
提案モデルでは、ほぼゼロの誤報と誤検出を達成しつつ予測品質を著しく向上させる。
論文 参考訳（メタデータ） (2024-08-24T09:00:45Z) - Generalized Gaussian Temporal Difference Error for Uncertainty-aware Reinforcement Learning [0.19418036471925312]
深部強化学習における一般化されたガウス誤差モデリングのための新しい枠組みを提案する。
我々はデータ依存型アレタリック不確実性の推定と緩和を改善する。
ポリシー勾配アルゴリズムによる実験は、大幅な性能向上を示す。
論文 参考訳（メタデータ） (2024-08-05T08:12:25Z) - Improving Generalization via Uncertainty Driven Perturbations [107.45752065285821]
トレーニングデータポイントの不確実性による摂動について考察する。
損失駆動摂動とは異なり、不確実性誘導摂動は決定境界を越えてはならない。
線形モデルにおいて,UDPがロバスト性マージン決定を達成することが保証されていることを示す。
論文 参考訳（メタデータ） (2022-02-11T16:22:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。